一种基于二次分解和混合网络的短期风速预测方法技术

本发明专利技术涉及一种基于二次分解和混合网络的短期风速预测方法，首先利用自适应噪声技术的集成模态分解，将风速的历史数据分解成多个分量，对不同分量使用样本熵及热力图进行分析，将其分为高频分量，中频分量，低频分量，高相关性分量。而后采用奇异谱分析将高频分量进一步分解成子分量。子分量、中频分量、关键性分量的预测使用提出的混合网络，进行预测，以保证整体预测精度；低频分量采用极限学习机进行预测，进一步提升运算效率，最后，将所有预测结果进行叠加得到风速预测结果。果进行叠加得到风速预测结果。果进行叠加得到风速预测结果。

【技术实现步骤摘要】
一种基于二次分解和混合网络的短期风速预测方法


[0001]本专利技术属于风速预测
，具体涉及一种基于二次分解和混合网络的短期风速预测方法。

技术介绍

[0002]随着科技的发展，人类对能源的需求越来越多。然而，使用传统的化石能源，如煤、石油和天然气，会释放污染，破坏环境并导致全球变暖。所以，在未来面对人类的一大问题就是如何利用好可再生能源，可再生能源的开发与利用，对能源安全，生态问题的解决，以及人类的可持续发展，起到了至关重要的作用。
[0003]风能是可再生能源里的一部分，合理利用风能，对经济和日常生活都会起到正向的作用。调度、管理和优化是包括风能和太阳能在内的可再生能源在不同规模电网中高渗透率的主要挑战。同时，电力调度部门也经常为风力变化所困扰，这在一定程度上制约了风电的发展。准确的风速预测是解决上述问题的一个好办法，此类预测也将在降低运营成本和增强风电竞争力方面发挥积极作用。
[0004]依据不同预测时间段，风速预测主要分为超短期，短期，中期，长期四类。超短期是指提前几秒到几十秒，帮助追踪实时负荷；短期是指提前30分钟到6小时，帮助进行负荷规划；中期是指提前6小时到1天，帮助进行电力系统的管理；长期指几天，几周甚至更长的时间，帮助规划风电场建设。
[0005]准确的风速预测是维持电力系统的正常运行和正向发展的关键。但风能有极强的不确定性和随机性，导致风速预测变得极具挑战性。现阶段一些研究是利用信号分解算法将原始风速序列分解成多个序列分量，而后对不同分量进行预测，最后进行加和重构。然而不同分量之间频率不同，重要性不同。同一方法处理可能会造成精度降低和计算资源浪费。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于二次分解和混合网络的短期风速预测方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]本专利技术提供了一种基于二次分解和混合网络的短期风速预测方法，包括：
[0008]步骤1：获取风速序列，对所述风速序列进行分解得到多个分量，将所述多个分量划分为高频分量、中频分量、低频分量和高相关性分量；
[0009]步骤2：对所述高频分量进行二次分解，得到多个高频子分量；
[0010]步骤3：将所述多个高频子分量、所述中频分量、所述低频分量和所述高相关性分量输入至训练完成的预测模型对中进行预测，得到风速预测结果；
[0011]其中，所述预测模型包括极限学习机、混合网络和叠加模块，其中，所述极限学习机用于对所述低频分量进行预测，得到对应预测结果，所述混合网络用于对所述多个高频子分量、所述中频分量和所述高相关性分量分别进行预测，得到对应的预测结果，所述叠加模块用于将所有预测结果进行叠加得到风速预测结果；
[0012]其中，所述混合网络包括依次级联的输入层、卷积神经网络、高效通道注意力模块、双向门控循环网络、全连接层和输出层。
[0013]在本专利技术的一个实施例中，所述步骤1包括：
[0014]步骤1.1：采用CEEMDAN分解算法对所述风速序列进行分解得到多个分量；
[0015]步骤1.2：对所述多个分量进行样本熵分析，得到所述多个分量对应的样本熵值，根据预设的样本熵阈值，将所述多个分量划分为高频分量、中频分量和低频分量；
[0016]步骤1.3：对所述多个分量进行相关性分析，确定与所述风速序列相关性最高的一个分量，若该分量属于低频分量，则将该分量划分为高相关性分量，否则保持分量划分结果不变。
[0017]在本专利技术的一个实施例中，所述步骤1.1包括：
[0018]步骤1.1.1：将所述风速序列作为待分解序列，并对所述待分解序列进行多次高斯白噪声添加，构造得到对应的多个新序列，
[0019]z
i
(t)＝z(t)+w
ρ
o
i
(t)，i＝1,2,...,I；
[0020]式中，z
i
(t)表示第i个新序列，z(t)表示风速序列，o
i
(t)表示独立的高斯白噪声，w
ρ
表示噪声系数，I表示添加高斯白噪声的次数；
[0021]步骤1.1.2：对每一个新序列进行EMD分解，对所有新序列对应的分解结果求平均得到一个分量，将所述分量从当前待分解序列中去除后得到对应的残余分量，该残余分量作为新的待分解序列；
[0022]步骤1.1.3：对所述新的待分解序列进行多次高斯白噪声添加后得到对应的多个新序列，重复步骤1.1.2步骤1.1.3直至残余分量不满足分解条件，得到多个分量和残余分量。
[0023]在本专利技术的一个实施例中，所述步骤2包括：采用奇异谱分析对所述高频分量进行二次分解，得到多个高频子分量。
[0024]在本专利技术的一个实施例中，所述极限学习机为基于单隐藏层的前馈神经网络，包括级联的输入层、具有多个隐藏节点的隐藏层和输出层；
[0025]所述极限学习机的输出函数表示为：
[0026][0027]式中，x表示极限学习机的输入，h表示激活函数，g表示隐藏节点的个数，ω
i
表示节点权重b
i
表示节点隐藏层偏置项，β
i
表示隐藏层和输出层之间的输出权重。
[0028]在本专利技术的一个实施例中，在所述混合网络中，
[0029]所述多个高频子分量、所述中频分量和所述高相关性分量分别通过所述输入层输入至训练完成的混合网络；
[0030]所述卷积神经网络对输入的分量进行深层特征提取；
[0031]所述高效通道注意力模块用于对所述深层特征进行进一步提取，得到关键特征；
[0032]所述双向门控循环网络用于提取特征中的时间相关性特征；
[0033]所述全连接层用于将所述深层特征、所述关键特征和所述时间相关性特征整合后得到预测结果；
[0034]所述输出层输出所述预测结果。
[0035]在本专利技术的一个实施例中，所述卷积神经网络的激活函数为Selu激活函数。
[0036]在本专利技术的一个实施例中，所述双向门控循环网络的输出表示为：
[0037][0038][0039][0040]其中，h
t
表示双向门控循环网络的输出，W
tα
表示前向传播权重，W
tβ
表示后向传播权重，P
t
表示偏置量，表示t时刻前向传播隐藏层输出，表示t时刻后向传播隐藏层输出，GRU表示门控循环单元，x
t
表示双向门控循环网络的输入，表示t
‑
1时刻后向传播的隐藏层输出，表示t
‑
1时刻前向传播的隐藏层输出。
[0041]与现有技术相比，本专利技术的有益效果在于：
[0042]本专利技术的基于二次分解和混合网络的短期风速预测方法，通过使用CEEMDAN和SSA结合的二次分解进行数据预处理，处理后的分量采用混合网络CEB以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二次分解和混合网络的短期风速预测方法，其特征在于，包括：步骤1：获取风速序列，对所述风速序列进行分解得到多个分量，将所述多个分量划分为高频分量、中频分量、低频分量和高相关性分量；步骤2：对所述高频分量进行二次分解，得到多个高频子分量；步骤3：将所述多个高频子分量、所述中频分量、所述低频分量和所述高相关性分量输入至训练完成的预测模型对中进行预测，得到风速预测结果；其中，所述预测模型包括极限学习机、混合网络和叠加模块，其中，所述极限学习机用于对所述低频分量进行预测，得到对应预测结果，所述混合网络用于对所述多个高频子分量、所述中频分量和所述高相关性分量分别进行预测，得到对应的预测结果，所述叠加模块用于将所有预测结果进行叠加得到风速预测结果；其中，所述混合网络包括依次级联的输入层、卷积神经网络、高效通道注意力模块、双向门控循环网络、全连接层和输出层。2.根据权利要求1所述的基于二次分解和混合网络的短期风速预测方法，其特征在于，所述步骤1包括：步骤1.1：采用CEEMDAN分解算法对所述风速序列进行分解得到多个分量；步骤1.2：对所述多个分量进行样本熵分析，得到所述多个分量对应的样本熵值，根据预设的样本熵阈值，将所述多个分量划分为高频分量、中频分量和低频分量；步骤1.3：对所述多个分量进行相关性分析，确定与所述风速序列相关性最高的一个分量，若该分量属于低频分量，则将该分量划分为高相关性分量，否则保持分量划分结果不变。3.根据权利要求2所述的基于二次分解和混合网络的短期风速预测方法，其特征在于，所述步骤1.1包括：步骤1.1.1：将所述风速序列作为待分解序列，并对所述待分解序列进行多次高斯白噪声添加，构造得到对应的多个新序列，z
i
(t)＝z(t)+w
ρ
o
i
(t)，i＝1,2,...,I；式中，z
i
(t)表示第i个新序列，z(t)表示风速序列，o
i
(t)表示独立的高斯白噪声，w
ρ
表示噪声系数，I表示添加高斯白噪声的次数；步骤1.1.2：对每一个新序列进行EMD分解，对所有新序列对应的分解结果求平均得到一个分量，将所述分量从当前待分解序列中去除后得到对应的残余分量，该残余分量作为新的待分解序列；步骤1.1.3：对所述新的待...

【专利技术属性】
技术研发人员：陈彦萍，夏虹，郑嘉豪，贾晖，高聪，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：